基于卫星遥感的输油管廊沿线的地物识别研究

基于eCognition软件进行研究区域面向对象的信息提取,对研究区进行多尺度影像分割的实验,找到适合影像地物信息提取的尺度及参数、分类规则,并对研究区的影像数据进行验证,通过eCognition分类结果与传统分类和基于GBDT分类算法结果的对比,说明面向对象的特征提取算法更适用于几何信息和结构信息丰富的高分辨率图像.     

利用MapReduce进行批量遥感影像瓦片金字塔构建

在分析面向瓦片金字塔并行构建任务分解的基础上,提出了一种利用MapReduce进行批量遥感影像瓦片金字塔并行构建的方法.实验结果表明,该方法不仅在集群上快速、有效地解决了单机上难以解决的大规模批量遥感影像瓦片金字塔的构建操作,而且具有良好的可扩展性.同时,该算法可作为大规模遥感影像并行处理的基础框架,非常容易扩展到高效能影像特征提取、遥感影像融合以及影像增量计算等其他海量遥感影像处理任务中.     

基于小波影像金字塔的影像自动匹配

数字影像高精度快速匹配是遥感影像3维信息提取的关键技术之一，文中对如何实现数字影像自动化匹配进行了研究，提出了一种基于小波影像金字塔的数字影像自动匹配方法。该方法在生成小波影像金字塔的基础上，利用交叉相关算法实现不同影像金字塔同一层影像间的匹配，利用视差控制将同名点从金字塔高层影像向低层影像进行传递。利用该方法对具体的SPOT影像进行了实验，表明基于小波影像金字塔的数字影像自动匹配方法具有较好的效果。     

基于高分辨率遥感影像数据的FNEA分割算法研究与应用分析

近年来,随着遥感技术和信息技术的发展,遥感影像空间分辨率也大大提高。基于像素的传统影像处理方式已经不能满足现实需求,面向对象的遥感影像分析已成趋势。因此,图像分割技术是进行其他图像处理与分析之前的关键步骤,分形网络演化多尺度分割算法（FNEA）是面向对象分析的核心。本文详细阐述了基于FNEA的多尺度分割算法的思想和流程,并结合遥感影像进行了分割实验与参数分析,对高分辨率遥感影像的研究与应用有一定指导意义。     

决策树算法在西藏遥感影像分类中的应用研究

将决策树算法引入到遥感影像分类中,以提高分类的精度。首先对影像进行预处理,然后利用C5.0算法在分析地物光谱特征、纹理特征、归一化植被指数的基础上,自动提取分类规则,构建决策树,实现地物的自动分类。为验证该算法的有效性,选取西藏某地区TM影像作为实验数据,与监督分类的精度进行对比,实验结果表明,决策树分类方法能取得较好的分类效果。     

影像金字塔增量更新方法

在分析影像金字塔结构的基础上，介绍了一种影像金字塔的增量数据组织方法，并提出了一种影像金字塔增量更新算法，该方法利用最新影像数据对原影像金字塔相关层次变化数据块进行局部更新。实验结果表明该方法可提高时态影像数据的存储效率，并能实现各级影像金字塔数据的自动更新。     

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。     

顾及全局和局部最优的高分辨率遥感影像多尺度分割优化算法

遥感影像多尺度分割是面向对象影像分析方法（OBIA）的关键步骤，分割质量直接影响OBIA的分类精度，目前多尺度分割方法都很难让分割结果同时达到全局和局部最优。本文针对上述问题，提出一种新的顾及全局和局部最优的高分辨率遥感影像多尺度分割优化算法。该算法主要包括：（1）采用局部方差准则获得多尺度分割的全局最优分割尺度。（2）对全局最优分割尺度中的过分割和欠分割对象进行优化处理，获得局部最优分割结果。（3）将局部最优化分割结果与全局最优分割结果进行融合，获得最终的多尺度优化分割结果。本文采用2个QuickBird遥感影像进行实验，验证该算法的有效性，并对实验结果进行定性和定量分析，结果表明：（1）从视觉效果来看，优化后的分割结果具有更准确的分割边界，大尺度的地物保持较好的区域性，小尺度的地物保持了更多细节。（2）从定量评价指标（RR、RI和ARI）分析：在实验1中，该算法比全局最优分割尺度的RR\RI\ARI分别提高了2.1%，2.4%，30.2%，比基于K均值优化算法分别提高了8.3%，0.1%，8.1%，比融合边界优化算法分别提高了0.7%，0.4%，17.6%；在实验2中，该算法比全局最优分割尺度的RR\RI\ARI分别提高了4.5%，2.7%，29.3%，比基于K均值优化算法分别提高了17%，0.8%，8.4%，比融合边界优化算法分别提高了1.7%，2.5%，17.2%。（3）相对典型分割算法，该算法的优化结果达到了局部和全局最优；相对其他多尺度分割优化算法，该算法同时减少了欠分割和过分割对象。     

多源高分辨率遥感影像智能融合

本文面向多源高分辨率遥感影像自动化融合的应用需求,探索按需应用的智能化融合方法,充分利用不同分辨率和不同时相的高分辨率多源遥感影像数据资源与特性,研究了影像融合数据源选取的决策树算法,建立了遥感影像融合规则知识库,并自动化选取适合的融合算法,提出了Curvelet_HCS算法,对低频和高频系数选用不同的融合规则,改善了HCS算法的光谱失真问题,可同时融合多光谱影像的多个谱段,并保持更丰富的空间细节信息。根据融合评价结果对遥感影像融合规则知识库进行更新,实验验证表明了该套方法的有效性,为开展大规模智能化的多源遥感影像融合应用提供了重要的方法和技术支撑。     

高分辨率遥感影像目标形状特征多尺度描述与识别

在高分遥感影像中,同类地物目标形状具有多样性,单一尺度或单一形状模版不足以描述同类目标的形状。本文利用小波变换和Fourier描述子构建了一种目标形状的多尺度描述模型,并基于该模型给出了一种新的面向对象的高分遥感影像目标识别方法。从上到下,该模型采用尺度依次减小的小波近似系数对原始形状进行近似表示,并利用Fourier描述子对其进行定量描述。利用语义规则综合考虑多个尺度下的识别结果,得到最终识别结果,减小小尺度下分割目标破碎和大尺度下小目标无法识别造成的影响,提高识别精度。基于本文方法分别对高分遥感影像中的飞机和建筑物进行识别,对比实验表明,该方法具有较高识别精度。